共查询到10条相似文献，搜索用时 15 毫秒
1.
利用浮动车GNSS轨迹数据可以实时获取和预测城市交通状态,且覆盖范围广、部署成本低,对自动驾驶路线决策、交通拥堵治理具有重要的支撑作用.现阶段,利用浮动车GNSS轨迹数据预测的信息仅包含路段上的交通速度、状态,而忽略了交叉口内不同行驶方向上的交通流差异;且交通信息准确性受到GNSS采样频率的限制.本文提出一种基于图卷积网络和低频GNSS轨迹数据的转向级交通预测方法:首先,顾及轨迹点间车辆运动模式提出一种排队起始点估计模型;然后,基于对偶图理论构建转向连通关系的图结构;最后,基于图卷积网络提出一种顾及转向时空模式的交通预测模型.试验结果显示,本文方法能准确地获取和预测转向级交通速度、排队长度信息,交通预测准确性全面优于基准方法. 相似文献
2.
基于RNN的空气污染时空预报模型研究 总被引：2，自引：0，他引：2
针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。 相似文献
3.
针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。 相似文献
4.
针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%. 相似文献
5.
地表沉降不仅影响社会经济的可持续发展,还威胁人类的生命安全.高精度的地表沉降预测对人类预防地质灾害具有重要意义.现有的预测方法因模型参数难以获取或相关数据的缺乏而难以得到可靠的预测结果,针对此问题,本文提出一种基于深度学习的地表沉降预测方法.首先采用多主影像相干目标小基线干涉技术MCTSB-InSAR获取大区域高精度地表形变时序反演结果;其次利用循环神经网络作为网络架构,用长短期记忆(LSTM)模型进行地表沉降特征学习;最后采用网格搜索的方法调整模型参数,进而获取最优的模型参数组合方案.实际观测结果显示,相较于现有地表沉降预测方法,本文提出的预测模型平均绝对误差(0.3 mm)至少降低了27.3％,差分沉降量平均预测精度至少提高了8.9％.空间格局分析的结果表明,LSTM模型对于大区域时序形变的短期预测是有效的. 相似文献
6.
针对无人机影像道路提取自动化程度低、道路信息不完整及道路交叉口不连通等问题,该文提出了一种结合拓扑结构和全局上下文感知的无人机影像道路提取方法,通过构建一种编码/解码模式的深度学习方法实现自动化提取.在网络模型中,设计了聚合特征模块及增强型扩张卷积模块以获取更多的道路信息,并引入拓扑感知损失函数以保证道路的连通性,实现道路拓扑结构特性的反演.实验结果表明,基于改进后的网络模型对道路信息的提取效果较好,在无人机影像测试集上的准确率、召回率、F1得分和交并比(IoU)分别达到了89.07％、84.74％、86.86％和72.45％;在马萨诸塞州道路公共影像集通用性测试中,提取原始遥感图像的道路信息也表现了出色的提取性能. 相似文献
7.
图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。 相似文献
8.
针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值. 相似文献
9.
10.
预测地面沉降对于城市基础设施损害的早期预警和及时采取补救措施具有重要意义。本文提出基于时序InSAR数据采用长短时记忆网络（LSTM）模型来预测地面沉降。以香港国际机场为研究区域,基于Sentinel-1A升轨影像利用时序雷达干涉技术（TS-InSAR）获取2015年—2020年机场时序地面沉降监测InSAR结果;利用机场时序InSAR形变结果建立堆叠式LSTM预测模型,并将预测结果与InSAR真实结果进行对比分析。结果表明,2015年—2020年香港国际机场地表垂直方向的平均形变速率为-19—5 mm/a。预测值与真实值的拟合均方根误差和平均绝对误差均较低,分别为0.75 mm和0.61 mm,同时其相关系数为0.99,表明LSTM预测模型在点级尺度上具有良好的性能,能够基于时序InSAR数据较准确预测地面沉降。但预测过程中发现,LSTM模型不适合长期预测,长期预测会出现失效性。本文提出的堆叠式LSTM预测模型可以作为一种有效方法来预测地表形变,尽管LSTM模型只是适用于短期预测,但其预测结果可用于辅助决策、早期预警和减轻危害。 相似文献